【AIGC】LangChain入门指南—第二章 LangChain入门指南

第二章 LangChain入门指南

文章目录

第二章 LangChain入门指南前言一、主要内容 1、初识LangChain 1.1 为什么需要LangChain 1.2 LLM应用开发的最后1公里 1.3 LangChain的2个关键词 1.4 LangChain的3个场景 1.5 LangChain的6个模块 2、LangChain的开发流程 2.1 开发秘钥指南 2.2 编写一个取名程序 2.3 创建你的第一个聊天机器人 3、 LangChain表达式二、总结

前言

前面一章我们了解了LangChain和一些大语言模型的基础知识。接下来我们继续跟随《LangChain入门指南》深入的了解LangChain的体系架构以及具体的应用场景，并且尝试使用LangChain构建第一个基于大语言模型的应用。

文章的结尾提供了一个基于LangChain开发的AIGC知识库平台，可以免费使用，有任何疑问欢迎提出。

一、主要内容

1、初识LangChain

1.1 为什么需要LangChain

我们在开发一款LLM的应用时，需要集成各种各样的大语言模型和一些基础的模块，在集成时需要对每个模型和模块进行了解，工作量很大。而LangChain就是一个集成框架，处理的就是一系列组件和工具的集成。并且它在开发者社区有着有高的关注度。

1.2 LLM应用开发的最后1公里

LangChain为LLM应用的开发者提供了很大的便利，包括模型的接口，常用的组件和大量常用的提示词。为那些准备进入LLM应用开发领域的人铺平了最后一公里的道路。

1.3 LangChain的2个关键词

LangChain有两个关键词，同时也是LangChain的核心，分别是”组件“和”链“。组件可以理解为一整条完整的流水线上的工作站，每个组件有各自的功能各司其职，而链就可以理解为把所有使用到的工作站串联起来的链条。

1）组件。
我们在开发一个大语言模型应用时有很多的工作流程，每一项工作都有一个单元来负责完成，例如：数据加载、与大语言模型沟通、构建提示词等等工作都需要实例化LangChain提供的一些类来完成，这些类就称为组件。

2）链。
当我们使用LangChain实例化了很多的组件之后，发现单个组件并不能完成一整个复杂的任务，需要有多个组件结合。这时链就是来充当将所有需要的组件根据顺序串联起来的角色，使得整个程序像流水线一样按照预设路径顺序执行。

1.4 LangChain的3个场景

LangChain有三个比较典型的应用场景。

1）问答系统。LangChain可以轻松的与外部数据源进行交互，迅速提取关键信息，然后生成准确的回答。

2）数据处理与管理。LangChin可以将每一个数据处理的流程都标准化，包括加载、分割、存储、检索。

3）自动问答机器人。开发者可以使用LangChain构建实时响应用户查询的客服机器人。

1.5 LangChain的6个模块

LangChain是由6个模块组成。

1）模型I/O。模块主要用于与大语言模型进行交互，并且其中已经包装好了很多与市面上大多数模型交互的类。

2）数据增强。模块主要是对外部数据处理的一整套流程。

3）链。模块主要用于将所有的组件组合起来形成一条完整的业务线。

4）记忆。模块一用于存储对话期间的对话内容，使得大语言模型具有记忆能力。

5） Agent。模块是为AGI的基础，他使用LLM来完成思考然后根据思考的结果执行操作。

6）回调处理器。模块是LangChain提供的一个回调系统，允许开发者在LLM应用的各个阶段进行干预。

2、LangChain的开发流程

2.1 开发秘钥指南

我们在开发大语言模型应用程序时，需要调用大语言模型的接口，而接口往往需要一个秘钥要验证我们的身份。当我们从平台拿到秘钥之后，常用的有三种方法使用秘钥。

1、直接把秘钥硬编码到代码中。
2、把秘钥放入环境变量中，使用时获取。
3、通过第三方模块在使用秘钥时由用户输入秘钥。

2.2 编写一个取名程序

我们尝试调用大语言模型完成第一个应用的开发，功能就是帮助公司起一个名字。

由于书上的LangChain版本和当前LangChain的版本存在差异，所以在模块应用和方法调用上有一些细微的区别，我们按照当前最新的版本来完成程序的编写，模型包装类与书上相同使用openai。使用openai需要配置自己的API秘钥openai_api_key和openai的地址openai_api_base。

引入LangChain模块和openai模块。

pip3 install langchain,openai,langchain-openai

编写取名程序

from langchain_openai import ChatOpenAI llm = ChatOpenAI(openai_api_base=config.openai_api_base, openai_api_key=config.openai_api_key, model_name=config.model_name) print(llm.invoke("我有一个人工智能的公司，帮我起一个好听又好记的名字"))

2.3 创建你的第一个聊天机器人

在完成第一个demo的发开之后，我们将完成一个完整的程序：聊天机器人。深入体验LangChain的6大核心模块。

环境配置和秘钥设置

from langchain_openai import ChatOpenAI from langchain_core.messages import ( AIMessage, HumanMessage, SystemMessage ) llm = ChatOpenAI(openai_api_base=config.openai_api_base, openai_api_key=config.openai_api_key, model_name=config.model_name) print(llm.invoke([HumanMessage(content="请帮我将中文翻译成英语。 我爱你")]))

提示词模版

from langchain_core.prompts.chat import ( ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate ) template = "你是一个厉害的助手，你能把{input_language}翻译成{output_language}。" sys_prompt = SystemMessagePromptTemplate.from_template(template) human_prompt = HumanMessagePromptTemplate.from_template("{text}") chat_prompt = ChatPromptTemplate.from_messages([ sys_prompt, human_prompt ]) chat_prompt = chat_prompt.format_messages( input_language="中文", output_language="英语", text="我爱你" ) print(chat_prompt)

创建第一个链

from langchain.chains import LLMChain from langchain_openai import ChatOpenAI from langchain_core.prompts import ( ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate ) template = "你是一个厉害的助手，你能把{input_language}翻译成{output_language}。" sys_prompt = SystemMessagePromptTemplate.from_template(template) human_prompt = HumanMessagePromptTemplate.from_template("{text}") chat_prompt = ChatPromptTemplate.from_messages([ sys_prompt, human_prompt ]) llm = ChatOpenAI(openai_api_base=config.openai_api_base, openai_api_key=config.openai_api_key, model_name=config.model_name) chain = LLMChain(llm=llm, prompt=chat_prompt) print(chain.invoke({"input_language": "中文", "output_language": "英语", "text": "我爱你"}))

Agent
Agent需要搜索互联网数据，要安装Serpapi来进行谷歌搜索。
pip3 install google-search-results

import os from langchain.agents import load_tools, AgentType, initialize_agent from langchain_openai import ChatOpenAI, OpenAI os.environ['SERPAPI_API_KEY'] = '你的KEY' chat = ChatOpenAI(openai_api_base=config.openai_api_base, openai_api_key=config.openai_api_key, model_name=config.model_name) llm = OpenAI(openai_api_base=config.openai_api_base, openai_api_key=config.openai_api_key, model_name=config.model_name) tools = load_tools(["serpapi", "llm-math"], llm=llm) agent_executor = initialize_agent(tools, chat, agent=AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True) agent_executor.invoke({"input": "今天昆明会下大雨吗"})

记忆组件

from langchain.chains.constitutional_ai.base import ConstitutionalChain, ConstitutionalPrinciple from langchain.chains.llm import LLMChain from langchain_core.prompts import ( ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate, MessagesPlaceholder ) from langchain.memory import ConversationBufferMemory from langchain_openai import ChatOpenAI prompt = ChatPromptTemplate.from_messages([ SystemMessagePromptTemplate.from_template("你是一个强大的人工智能助手。"), MessagesPlaceholder(variable_name="history"), HumanMessagePromptTemplate.from_template("{input}") ]) chat = ChatOpenAI(model_name=config.model_name, openai_api_key=config.openai_api_key, openai_api_base=config.openai_api_base) memory = ConversationBufferMemory(return_messages=True) qa_chain = LLMChain(prompt=prompt, llm=chat) chain = ConstitutionalChain.from_llm( llm=chat, chain=qa_chain, memory=memory, constitutional_principles=[ ConstitutionalPrinciple( critique_request="Tell if this answer is good.", revision_request="Give a better answer.", ) ] ) print(chain.invoke({"input": "你好，我是DoubleZ"}))

3、 LangChain表达式

LangChain表达式是组合各个组件的一种简洁的表达方式，它使得开发者可以像说话一样的编写代码，完成应用程序的开发。

提示词模版+模型包装器

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate.from_template("给我讲一个关于{topic}的笑话") chat = ChatOpenAI(model_name=config.model_name, openai_api_key=config.openai_api_key, openai_api_base=config.openai_api_base) chain = prompt | chat print(chain.invoke({"topic": "狗"}))

提示词模版+模型包装器+输出解释器

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain.schema.output_parser import StrOutputParser prompt = ChatPromptTemplate.from_template("给我讲一个关于{topic}的笑话") chat = ChatOpenAI(model_name=config.model_name, openai_api_key=config.openai_api_key, openai_api_base=config.openai_api_base) chain = prompt | chat | StrOutputParser() print(chain.invoke({"topic": "熊"}))

多功能组合链

from operator import itemgetter from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser chat = ChatOpenAI(model_name=config.model_name, openai_api_key=config.openai_api_key, openai_api_base=config.openai_api_base) prompt1 = ChatPromptTemplate.from_template("{person}来自哪个城市") prompt2 = ChatPromptTemplate.from_template("{city}这个城市属于哪个国家？用{language}回复我") chain1 = prompt1 | chat | StrOutputParser() chain2 = ( {"city": chain1, "language": itemgetter("language")} | prompt2 | chat | StrOutputParser() ) print(chain2.invoke({"person": "奥巴马", "language": "英语"}))